如何使用附加参数为tf.keras创建自己的损失函数？

Question

我的需要：

我想通过增加样本权重来修改神经网络中的损失函数。（我知道.fit method有sample_weight参数）

我的想法是为我的神经网络创建额外的输入，为每个列车数据行预先计算权重，如下所示：

# Generating mock data
train_X = np.random.randn(100, 5)
train_Y = np.random.randn(100, 1)
train_sample_weights = np.random.randn(*train_Y.shape)

# Designing loss function that uses my pre-computed weights
def example_loss(y_true, y_pred, sample_weights_):
    return K.mean(K.sqrt(K.sum(K.pow(y_pred - y_true, 2), axis=-1)), axis=0) * sample_weights_

# Two inputs for neural network, one for data, one for weights
input_tensor = Input(shape=(train_X.shape[1],))
weights_tensor = Input(shape=(train_sample_weights.shape[1],))

# Model uses only 'input_tensor'
x = Dense(100, activation="relu")(input_tensor)
out = Dense(1)(x)

# The 'weight_tensor' is inserted into example_loss() functon
loss_function = partial(example_loss, sample_weights_=weights_tensor)

# Model takes as an input both data and weights
model = Model([input_tensor, weights_tensor], out)
model.compile("Adam", loss_function)
model.fit(x=[train_X, train_sample_weights], y=train_Y, epochs=10)

我的问题：

当我使用Keras 2.2.4导入来运行它时，以下代码起作用：

import numpy as np
from functools import partial

import keras.backend as K
from keras.layers import Input, Dense
from keras.models import Model

以下代码在我使用tf.keras 2.2.4-tf导入运行时崩溃：

import numpy as np
from functools import partial

import tensorflow.keras.backend as K
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

出现以下错误：

TypeError: example_loss() got an unexpected keyword argument 'sample_weight'

我的问题：

1. 为什么会发生这种情况
2. 我如何重写代码，使这样的架构也能在2.2.4-tf上工作
3. 对我来说，在Keras/tf.Keras框架上都有效的建议也是一个可以接受的答案

---

错误很容易重现。只需要复制代码并运行

Answer 1

您需要这样定义损失，以便向其传递新参数：

def custom_loss(sample_weights_):

    def example_loss(y_true, y_pred):
        return K.mean(K.sqrt(K.sum(K.pow(y_pred - y_true, 2), axis=-1)), axis=0) * sample_weights_

    return example_loss

这样称呼它：

model.compile("Adam", custom_loss(weights_tensor))